ガイド連動クイズ · ハード レベル
NaturalSpeech および潜在拡散 TTS クイズ
コーデックの潜在的な拡散、ゼロショット音声プロンプト、因数分解された音声属性、および報告されたベンチマーク結果の範囲をカバーします。
質問 1 の 8
What did the original NaturalSpeech paper report for its LJSpeech evaluation?
すべての質問をプレビューする8 質問
クイズに答えると、答えと解説が表示されます。
- What did the original NaturalSpeech paper report for its LJSpeech evaluation?
- Human-level quality under the paper’s stated evaluation protocol
- Human-level quality on every language and speaker
- Perfect equality to every human recording
- A universal guarantee of naturalness
- NaturalSpeech 2 の潜在拡散モデルは実際に何を生成しますか?
- 生のオーディオ波形を直接
- ニューラル オーディオ コーデックからの連続潜在ベクトル
- 印刷された発音トランスクリプト
- 人間が見るための画像スペクトログラム写真
- 拡散モデルはどのようにして高レベルのデータを生成するのでしょうか?
- トレーニングクリップを記憶して再生します
- サンプルをアルファベット順に並べ替えます
- 段階的なノイズ処理を逆に学習し、ランダムなノイズからデータまでノイズを除去します。
- テキストの次の単語のみを予測します
- 潜在拡散は NaturalSpeech 2 にどのような重要な機能をもたらしますか?
- 音声を画像に変換する
- テキスト入力の必要性をなくす
- 単一の固定音声のみを生成する
- 短いリファレンスプロンプトからのゼロショット音声クローン作成
- NaturalSpeech 3 の「因数分解」の中心となるアイデアは何ですか?
- 音声を内容、韻律、音色などのもつれのない属性に分離し、個別にモデル化する
- テキストをスキップすることで音声を 2 倍の速度で生成します
- オーディオを単一の整数に圧縮する
- ルールベースの信号処理のみを使用する
- 高忠実度の拡散 TTS により、透かしなどの保護手段の必要性が高まるのはなぜですか?
- オーディオファイルが大きすぎて保存できないため
- 現実的なゼロショット音声クローンは明らかな悪用となりすましのリスクを引き起こすため
- 1つの言語でしか機能しないため
- 拡散モデルはまったくトレーニングできないため
- After NaturalSpeech 2 diffusion generates codec latents, what converts them into speech?
- A text tokenizer turns them into phonemes
- A speaker diarization model turns them into subtitles
- A neural audio-codec decoder turns the generated latents into waveform audio
- A spectrogram classifier selects a genre
- What can NaturalSpeech 3’s factorized speech representation make easier?
- Replacing the need for any audio decoder
- Guaranteeing every cloned voice has consent
- Converting speech into text without an acoustic model
- Adjusting attributes such as prosody and timbre more independently